El papel de TinyML en la industria: Visión general

¿Qué es TinyML?

TinyML, abreviatura de Tiny Machine Learning (aprendizaje automático diminuto), es un campo del aprendizaje automático que se centra en el despliegue de modelos de aprendizaje automático en dispositivos diminutos y de bajo consumo.

El desarrollo de soluciones de ML está avanzando tan rápido que se centra en soluciones de alta potencia basadas en la nube o en altas capacidades computacionales cuando se trata del Edge. Hemos podido ver especialmente durante estas semanas cómo se publican modelos con miles de millones de parámetros que requieren mucha potencia para ser ejecutados. Se puede ver como la tendencia obvia en el espectro de dispositivos con recursos limitados, que requerimos un paradigma diferente, este paradigma es el llamado TinyML que ha ganado popularidad en los últimos 4 años.

Este paradigma se encuentra en una fase temprana, solo un pequeño espectro de lo que es posible con las soluciones de ML puede ejecutarse en dispositivos con recursos limitados, y aún menos si se considera que la mayoría de ellos funcionan con baterías. Para implementar la ejecución de los modelos en estos dispositivos, existe una versión específica de TensorFlow Lite que se basa en microcontroladores. Sin embargo, la misma comunidad en torno a este paradigma también propone e implementa sus soluciones.

TinyML es, por tanto, dos de los conceptos mencionados, una metodología y una comunidad implícita que proporciona soluciones para la ejecución de modelos en dispositivos con fuertes limitaciones, y existe un contexto en el que estas limitaciones, además de estar especialmente presentes, también se agravan, y ese es la industria.

‍

Hemos visto, especialmente durante los últimos meses, cómo se han reproducido lanzamientos de modelos con miles de millones de parámetros que requieren una gran potencia de procesamiento. Por otro lado, también existe una tendencia creciente que gira en torno a la capacidad de ejecutar modelos ligeros en tiempo real sin necesidad de una conexión constante en dispositivos de bajo consumo como microcontroladores, sensores y otros sistemas embebidos, lo que también está revolucionando la industria de la IA. Esta tendencia se conoce como TinyML.

‍

TinyML en la industria

El caso más común que podemos ver en la industria es el de componentes y máquinas de misión crítica que requieren la detección temprana de fallos o averías para no interrumpir ningún proceso y evitar costes de mantenimiento a las empresas.

Ping Services se especializa en este tipo de casos mediante la supervisión constante del sonido de las hélices de los aerogeneradores. La detección de anomalías en el comportamiento basándose en el sonido no sólo reduce los costes de mantenimiento, sino que también es posible mejorar la eficiencia y mantener latencias aceptables en todo momento.

Si nos atenemos al mantenimiento predictivo, existe un gran número de sensores que podemos ejecutar con un bajo coste energético y que pueden proporcionarnos información sobre el estado de las máquinas a través de factores como la vibración, la temperatura, las imágenes térmicas y cualquier otra opción que nos proporcionen los sensores disponibles.

La metodología TinyML en la industria no sólo proporciona casos de uso como los mencionados anteriormente, sino que, paralelamente, también puede ser un facilitador de la innovación. Hay muchas situaciones en las que no es posible realizar nuevas instalaciones en entornos industriales, lo que es especialmente crítico en entornos relacionados con la química, donde es extremadamente costoso realizar una nueva instalación cableada por razones de seguridad. Por ejemplo, la presencia de la directiva ATEX puede hacer que la aplicación de soluciones de vanguardia pero cableadas sea una tarea complicada o engorrosa. En algunos casos, tener la capacidad de ejecutar modelos ML en dispositivos que simplemente requieren una batería actual para funcionar durante años, proporciona una solución a ciertos obstáculos que pueden permitir la ejecución de un proyecto.

La expansión del uso de TinyML en entornos industriales continúa creciendo gracias a su poder habilitador e innovador, y cabe destacar que esto se debe en parte a plataformas emergentes y democratizadoras de esta metodología como Edge Impulse, Neuton, Qeexo y SensiML, entre otras, que proporcionan herramientas y recursos de AutoML para desarrolladores de Machine Learning integrado.

‍

¿Hacia dónde nos dirigimos?

TinyML sigue ganando impulso, el procesamiento y la clasificación de vídeo ya no son un mito gracias a soluciones como MCUNet. ARM está cada vez más comprometida con el suministro de soluciones adaptadas a este contexto, y las comunidades de todo el mundo están floreciendo superando los límites de lo que es posible por debajo de 256kB de SRAM.

Se está avanzando a gran velocidad, pero aún no hemos visto la adaptación de muchos modelos que serán de gran utilidad en contextos industriales una vez que su coste computacional se haga soportable para estos pequeños microcontroladores.

Todo esto sugiere que el ML también se desarrollará en esta dirección en los próximos años, teniendo en cuenta los entornos hostiles en los que no siempre es posible acceder a la cantidad ilimitada de recursos a los que estamos acostumbrados en esta era de crecimiento exponencial en los campos tecnológicos.

ABI Research pronostica que el mercado de TinyML crecerá de 15,2 millones de implementaciones en 2020 a 2500 millones en 2030, lo que confirma el brillante futuro que le espera. Si podemos mantener esta vibrante comunidad de desarrolladores en crecimiento y prevaleciendo, veremos que las expectativas aumentan aún más durante estos emocionantes años venideros.

¿Quiere adelantarse a las últimas tendencias en IA en el Edge y TinyML? 

Repetición del evento "The Cutting-EDGE of MLOps"

Descubra las últimas tendencias y mejores prácticas en la implementación de Machine Learning (#ML) en el Edge, desde la optimización y el despliegue hasta la monitorización con OWKIN, APHERIS, MODZY, PICSELLIA, SELDON, HPE, NVIDIA y BARBARA Aprenda cómo:

🔒 Mejorar el acceso a los datos, la seguridad y la privacidad mediante el aprendizaje federado.

💪 Las herramientas, sistemas y estructuras que necesitas poner en marcha para la IA en tiempo real.

🚀 Mejorar el rendimiento de los modelos por visión por ordenador.

⚙️ Ejecutar con éxito la inferencia de modelos de aprendizaje automático

💡 Optimizar los modelos ML para dispositivos en el edge.

🔒 Securizar tus modelos de ML en el edge.

‍

‍